CN105574521A - 房屋轮廓提取方法和装置 - Google Patents
房屋轮廓提取方法和装置 Download PDFInfo
- Publication number
- CN105574521A CN105574521A CN201610105173.9A CN201610105173A CN105574521A CN 105574521 A CN105574521 A CN 105574521A CN 201610105173 A CN201610105173 A CN 201610105173A CN 105574521 A CN105574521 A CN 105574521A
- Authority
- CN
- China
- Prior art keywords
- line segment
- straight
- rectangle
- segment set
- line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像信息处理领域,公开了房屋轮廓提取方法和装置,该方法包括:接收输入的种子点,在图像中进行点生长来获得生长区域;利用直线段检测算法检测图像中直线轮廓,获得直线段集合,根据直线段集合中直线段与生长区域间位置关系对所述直线段进行筛选;对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向;根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合,并将拟合的最小外接矩形作为房屋轮廓进行输出。本发明依据输入的种子点开始进行处理,能够更好地适用于复杂环境,并且本发明还能够提高房屋轮廓提取的精度和速度。
Description
技术领域
本发明涉及图像信息处理领域,具体地,涉及房屋轮廓提取方法和装置。
背景技术
在遥感影像中,城区80%的人工目标物为房屋和道路,房屋识别和轮廓提取在遥感图像识别中占据重要位置,而影像中房屋属于一类聚类目标,其形状复杂多样,其中最广泛的是矩形房屋结构或者是矩形连接组合房屋。现有技术中,可使用图像分割法进行图像中房屋轮廓的提取。图像分割法中尺度参数的选取与检测准确率有关,当结构元素尺度和房屋像素相近时效果较好,分割尺度参数因图像分辨率不同而不同,因此该方法不具有普遍适用性。
例如,在农村地区,存在房屋屋顶灰度不一致,房屋结构较复杂,房屋面积小,房屋与房屋之间间距非常小,城镇房屋遮挡严重,房屋屋顶结构复杂,城镇房屋和农村房屋各有其特点,图像分割法的实际适用性较低。
发明内容
本发明的目的是提供一种房屋轮廓提取方法和装置,以解决上述技术问题,至少部分地解决上述技术问题。
为了实现上述目的,本发明提供一种房屋轮廓提取方法,该方法包括:接收输入的种子点,在图像中进行点生长来获得生长区域;利用直线段检测算法检测图像中直线轮廓,获得直线段集合,根据直线段集合中直线段与生长区域间位置关系对所述直线段进行筛选;对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向;根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合,并将拟合的最小外接矩形作为房屋轮廓进行输出。
优选地,所述种子点为所选的靠近屋顶中心区域的点。
优选地,所述根据直线段集合中直线段与生长区域间位置关系对所述直线段进行筛选包括:在直线段集合中,将与生长区域间距离关系满足预设相距过远条件或与生长区域间角度关系满足预设近似垂直条件的直线段筛除。
优选地,所述对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向包括:对应直线段集合中直线段的角度统计直线段长度,取长度最大累计值对应的角度为矩形主方向。
优选地,所述根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合包括:在直线段集合中,将与矩形主方向间角度关系满足预设近似平行条件或预设近似垂直条件的直线段保留;根据直线段集合中筛选后剩余直线段与种子点间位置关系,将所述剩余直线段分到对应方向的子集中;根据各个子集中包括的直线段的坐标分别确定待拟合的最小外接矩形的四个顶点坐标,根据确定的四个顶点坐标获得最小外接矩形。
根据本发明的另一方面,提供一种房屋轮廓提取装置,该装置包括:区域生长模块,用于接收输入的种子点,在图像中进行点生长来获得生长区域;直线检测模块,用于利用直线段检测算法检测图像中直线轮廓,获得直线段集合,根据直线段集合中直线段与生长区域间位置关系对所述直线段进行筛选;主方向确定模块,用于对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向;矩形拟合模块,用于根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合,并将拟合的最小外接矩形作为房屋轮廓进行输出。
优选地,所述种子点为所选的靠近屋顶中心区域的点。
优选地,所述直线检测模块用于在直线段集合中,将与生长区域间距离关系满足预设相距过远条件或与生长区域间角度关系满足预设近似垂直条件的直线段筛除。
优选地,所述主方向确定模块用于对应直线段集合中直线段的角度统计直线段长度,取长度最大累计值对应的角度为矩形主方向。
优选地,所述矩形拟合模块包括:直线筛选子模块,用于在直线段集合中,将与矩形主方向间角度关系满足预设近似平行条件或预设近似垂直条件的直线段保留;直线分类子模块,用于根据直线段集合中筛选后剩余直线段与种子点间位置关系,将所述剩余直线段分到对应方向的子集中;最小外接矩形拟合子模块,用于根据各个子集中包括的直线段的坐标分别确定待拟合的最小外接矩形的四个顶点坐标,根据确定的四个顶点坐标获得最小外接矩形。
通过上述技术方案,接收输入的种子点,根据种子点进行区域生长,而后进行直线段检测、矩形主方向确定和最小外接矩形拟合,如此依据输入的种子点开始进行处理,能够更好地适用于复杂环境,并且本发明中方案还能够提高房屋轮廓提取的精度和速度。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明中房屋轮廓提取方法的流程图;
图2是根据本发明的一实施例的生长区域的示意图;
图3是根据本发明的一实施例的检测到的直线段的示意图;
图4是根据本发明的一实施例的筛选后剩余直线段的示意图;
图5是根据本发明的一实施例的最小外接矩形拟合的方法的流程图;
图6是根据本发明的一实施例的将直线段集合中直线段旋转后示意图;
图7是根据本发明的一实施例的提取的房屋轮廓的示意图;
图8是本发明中房屋轮廓提取装置的结构图;以及
图9是本发明中房屋轮廓提取装置的结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此
图1是本发明中房屋轮廓提取方法的流程图。其中,用于提取的图像数据可包括:航空、无人机影像、亚米级卫星影像等。如图1所述,该方法包括如下步骤。
在步骤S110中,接收输入的种子点,在图像中进行点生长来获得生长区域。
其中,种子点为所选的靠近屋顶中心区域的点。
所述在图像中进行点生长来提取生长区域可包括当像素点灰度与已经生长成的区域的灰度平均值的差值小于预设差值阈值时,将所述像素点添加到已经生长成的区域中。
举例而言,点生长提取经过输入种子点和生长准则的判别,在空间上采用四邻域连通方案对邻接的相似像素进行搜索完成生长区域的提取。为达到更好的提取效果,种子点的选择尽量靠近屋顶的中心区域。
提取中所用判别准则如下所述。
根据像素点和已经生长成的区域的灰度均值之差来判断是否将该像素点添加到已生长的区域中。例如可以用如下公式1表示判断规则。
其中,p(x,y)表示坐标(x,y)点的像素灰度值,表示已经生成的区域的灰度均值,threshold表示给定的差值阈值,例如可以为10。
经过区域生长,提取的房屋边缘可能会不规则,且有可能将周围其他非房屋目标也生长进来,因此,还可以对生长区域进行进一步处理,来分割房屋区域和其他区域的连接,并去除其他非房屋区域。在一实施例中,通过点生长获得的生长区域如图2所示。
在步骤S120中,利用直线段检测算法检测图像中直线轮廓,获得直线段集合,根据直线段集合中直线段与生长区域间位置关系对直线段进行筛选。
其中,所述根据直线段集合中直线段与生长区域间位置关系对直线段进行筛选可包括在直线段集合中,将与生长区域间距离关系满足预设相距过远条件或与生长区域间角度关系满足预设近似垂直条件的直线段筛除。
举例而言,利用直线段检测算法LSD,在线性时间内得出亚像素级精度的检测结果,因为LSD不需要参数的调整,其被看作自动的直线检测工具。LSD检测图像中局部直轮廓,轮廓是图像中的某些特殊区域,在这些区域,图像的灰度从黑到白或者从白到黑的阶跃变化。
LSD进行的检测包括:图像缩放,梯度计算,梯度伪排序,梯度阈值判定,区域增长,矩形估计。具体操作如下所述。
(a)以步长s=0.8的尺度对输入图像进行高斯下采样。
(b)计算每一个点的梯度值以及梯度方向。
(c)根据梯度值对所有点进行伪排序,建立状态列表,所有点设
置为UNUSED(未使用)。
(d)取出列表中梯度最大(伪排列的首位)的点作为种子(seed),状态列表中设为USED(已使用),以seed为起点,搜索周围状态为UNUSED并且方向在阈值[-22.5,22.5]范围内的点,将该点的状态改为USED。
(e)生成包含所有满足点的矩形,进行调整后输出直线段检测结果。
如图3所示,LSD检测到的直线段中包含一些与生长区域无关的直线段,因此进一步根据直线段集合中直线段与生长区域间位置关系对直线段进行筛选。例如,如果直线段到生长区域的相邻边界最小距离大于45(即预设相距过远条件)或者与生长区域的相邻边界间角度大于75度(即预设近似垂直条件),则将直线段从直线段集合中筛除,获得筛选后的直线段集合LsdLineSet1,例如,经过筛除后所得LsdLineSet1如图4所示。
在步骤S130中,对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向。
在一实施方式中,所述对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向可包括对应直线段集合中直线段的角度统计直线段长度,取长度最大累计值对应的角度为矩形主方向。
例如,对于LsdLineSet1中每一条直线段,具有相对应的角度和长度,取0—90的角度值为横坐标,纵坐标为直线段的长度,统计在LsdLineSet1中每条直线段相应的角度和坐标,得到距离角度直方图,根据直方图,取纵坐标线段长度的最大累计值相对应的角度为矩形的主方向,表示为角度A。
在步骤S140中,根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合,并将拟合的最小外接矩形作为房屋轮廓进行输出。
在一实施方式中,如图5所示,所述根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合可包括如下步骤。
在步骤S142中,在直线段集合中,将与矩形主方向间角度关系满足预设近似平行条件或预设近似垂直条件的直线段保留。
在步骤S144中,根据直线段集合中筛选后剩余直线段与种子点间位置关系,将剩余直线段分到对应方向的子集中。
在步骤S146中,根据各个子集中包括的直线段的坐标分别确定待拟合的最小外接矩形的四个顶点坐标,根据确定的四个顶点坐标获得最小外接矩形。
举例而言,根据坐标系旋转原理,对LsdLineSet1中筛选过的直线段对应的起点和终点进行旋转即对线段进行旋转,根据公式2和公式3,影像上任意点(x,y),绕一个坐标点(rx0,ry0)逆时针旋转角度A后的新的坐标设为(x0,y0)。LsdLineSet1中筛选过的直线段经旋转后如图6所示。
x0=(x-rx0)×cos(A)-(y-ry0)×sin(A)+rx0公式2
y0=(x-rx0)×sin(A)+(y-ry0)×cos(A)+ry0公式3
对于旋转过后的直线段,求取线段的角度值,角度大于15且小于75的进行再次剔除,只留下小于15(即预设近似平行条件)和大于75(预设近似垂直条件)的直线段,使得直线段集LsdLineSet1再次得到更新,然后用最小外接矩形进行矩形拟合。
最小外接矩形是指以二维坐标表示的若干二维形状(例如点、直线、多边形)的最大范围,以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形。这样的一个矩形包含给定的二维形状,且边与坐标轴平行,直线段用最小外接矩形进行拟合。
由于此时直线段集LsdLineSet1中只包含近似垂直的直线段,首先判断直线段集LsdLineSet1中的线段与输入种子点(x0,y0)之间的关系,根据判别准则保留位于种子点上、下、左、右四个方向的直线段,即将LsdLineSet1中的线段分为上、下、左、右四个子集,对应的子集分别是LsdLineSetw2、LsdLineSetw、LsdLineSeth、LsdLineSeth2,分别从这四个子集中求取累计最大面积来确定最小、最大横纵坐标值,左子集LsdLineSeth确定最小横坐标minx0、右子集LsdLineSeth2确定最大横坐标maxx0、下子集LsdLineSetw确定最小纵坐标miny0、上子集LsdLineSetw2确定最大纵坐标maxy0,这四个坐标值构成了矩形的四个点(minx0,maxy0),(maxx0,maxy0),(maxx0,miny0),(minx0,miny0),最后再将这四个点进行反旋转角度A,以外环形式连接各点最终完成矩形拟合,该矩形为本次房屋提取的屋顶输出,输出的屋顶轮廓如图7所示。。
本发明中技术方案,由于以输入种子点为基础进行操作,其适用性更广,即使面对复杂场景中的房屋,可以进行必要的人工目视干预,有效降低误提率、漏提率,接收到种子点后采用自动化处理,总体工作量降低,减轻人力,并可以实现快速房屋提取,可以为灾后快速评估提供较为准确的房屋信息。
如图8所示,一种房屋轮廓提取装置,该装置包括如下模块。
区域生长模块810,用于接收输入的种子点,在图像中进行点生长来获得生长区域;直线检测模块820,用于利用直线段检测算法检测图像中直线轮廓,获得直线段集合,根据直线段集合中直线段与生长区域间位置关系对所述直线段进行筛选;主方向确定模块830,用于对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向;矩形拟合模块840,用于根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合,并将拟合的最小外接矩形作为房屋轮廓进行输出。
在一实施方式中,所述种子点为所选的靠近屋顶中心区域的点。
在一实施方式中,直线检测模块820用于在直线段集合中,将与生长区域间距离关系满足预设相距过远条件或与生长区域间角度关系满足预设近似垂直条件的直线段筛除。
在一实施方式中,主方向确定模块830用于对应直线段集合中直线段的角度统计直线段长度,取长度最大累计值对应的角度为矩形主方向。
在一实施方式中,如图9所示,矩形拟合模块840包括如下子模块。
直线筛选子模块842,用于在直线段集合中,将与矩形主方向间角度关系满足预设近似平行条件或预设近似垂直条件的直线段保留;直线分类子模块844,用于根据直线段集合中筛选后剩余直线段与种子点间位置关系,将所述剩余直线段分到对应方向的子集中;最小外接矩形拟合子模块846,用于根据各个子集中包括的直线段的坐标分别确定待拟合的最小外接矩形的四个顶点坐标,根据确定的四个顶点坐标获得最小外接矩形。
上述装置与前述方法相对应,具体说明可参考方法技术方案中详细说明,在此不再赘述。
本发明中技术方案,由于以输入种子点为基础进行操作,其适用性更广,即使面对复杂场景中的房屋,可以进行必要的人工目视干预,有效降低误提率、漏提率,接收到种子点后采用自动化处理,总体工作量降低,减轻人力,并可以实现快速房屋提取,可以为灾后快速评估提供较为准确的房屋信息。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种房屋轮廓提取方法,该方法包括:
接收输入的种子点,在图像中进行点生长来获得生长区域;
利用直线段检测算法检测图像中直线轮廓,获得直线段集合,根据直线段集合中直线段与生长区域间位置关系对所述直线段进行筛选;
对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向;
根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合,并将拟合的最小外接矩形作为房屋轮廓进行输出。
2.根据权利要求1所述的方法,其特征在于,所述种子点为所选的靠近屋顶中心区域的点。
3.根据权利要求1所述的方法,其特征在于,所述根据直线段集合中直线段与生长区域间位置关系对所述直线段进行筛选包括:
在直线段集合中,将与生长区域间距离关系满足预设相距过远条件或与生长区域间角度关系满足预设近似垂直条件的直线段筛除。
4.根据权利要求1所述的方法,其特征在于,所述对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向包括:
对应直线段集合中直线段的角度统计直线段长度,取长度最大累计值对应的角度为矩形主方向。
5.根据权利要求1所述的方法,其特征在于,所述根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合包括:
在直线段集合中,将与矩形主方向间角度关系满足预设近似平行条件或预设近似垂直条件的直线段保留;
根据直线段集合中筛选后剩余直线段与种子点间位置关系,将所述剩余直线段分到对应方向的子集中;
根据各个子集中包括的直线段的坐标分别确定待拟合的最小外接矩形的四个顶点坐标,根据确定的四个顶点坐标获得最小外接矩形。
6.一种房屋轮廓提取装置,该装置包括:
区域生长模块,用于接收输入的种子点,在图像中进行点生长来获得生长区域;
直线检测模块,用于利用直线段检测算法检测图像中直线轮廓,获得直线段集合,根据直线段集合中直线段与生长区域间位置关系对所述直线段进行筛选;
主方向确定模块,用于对直线段集合中直线段的长度和角度进行统计,依据统计结果确定矩形主方向;
矩形拟合模块,用于根据矩形主方向对直线段集合中直线段进行筛选,对直线段集合中筛选后剩余直线段进行最小外接矩形拟合,并将拟合的最小外接矩形作为房屋轮廓进行输出。
7.根据权利要求6所述的装置,其特征在于,所述种子点为所选的靠近屋顶中心区域的点。
8.根据权利要求6所述的装置,其特征在于,所述直线检测模块用于在直线段集合中,将与生长区域间距离关系满足预设相距过远条件或与生长区域间角度关系满足预设近似垂直条件的直线段筛除。
9.根据权利要求6所述的装置,其特征在于,所述主方向确定模块用于对应直线段集合中直线段的角度统计直线段长度,取长度最大累计值对应的角度为矩形主方向。
10.根据权利要求1所述的装置,其特征在于,所述矩形拟合模块包括:
直线筛选子模块,用于在直线段集合中,将与矩形主方向间角度关系满足预设近似平行条件或预设近似垂直条件的直线段保留;
直线分类子模块,用于根据直线段集合中筛选后剩余直线段与种子点间位置关系,将所述剩余直线段分到对应方向的子集中;
最小外接矩形拟合子模块,用于根据各个子集中包括的直线段的坐标分别确定待拟合的最小外接矩形的四个顶点坐标,根据确定的四个顶点坐标获得最小外接矩形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610105173.9A CN105574521B (zh) | 2016-02-25 | 2016-02-25 | 房屋轮廓提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610105173.9A CN105574521B (zh) | 2016-02-25 | 2016-02-25 | 房屋轮廓提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574521A true CN105574521A (zh) | 2016-05-11 |
CN105574521B CN105574521B (zh) | 2019-01-29 |
Family
ID=55884629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610105173.9A Active CN105574521B (zh) | 2016-02-25 | 2016-02-25 | 房屋轮廓提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574521B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096497A (zh) * | 2016-05-28 | 2016-11-09 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 一种针对多元遥感数据的房屋矢量化方法 |
CN107564024A (zh) * | 2017-08-07 | 2018-01-09 | 西安电子科技大学 | 基于单侧聚集线段的sar图像聚集区域提取方法 |
CN108007383A (zh) * | 2017-12-01 | 2018-05-08 | 哈尔滨工业大学深圳研究生院 | 基于三角测距的房屋轮廓构建算法 |
CN109409176A (zh) * | 2018-01-04 | 2019-03-01 | 北京星衡科技有限公司 | 一种用于遥感影像的地块提取的方法与装置 |
CN109447068A (zh) * | 2018-10-26 | 2019-03-08 | 信雅达系统工程股份有限公司 | 一种从图像中分离印章并校准印章的方法 |
CN109671116A (zh) * | 2018-09-26 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于图像识别的房产面积计算方法及相关设备 |
CN109724776A (zh) * | 2017-10-30 | 2019-05-07 | 中冶长天国际工程有限责任公司 | 一种烧结机台车的篦条损坏程度的确定方法及装置 |
CN109833003A (zh) * | 2017-11-30 | 2019-06-04 | 深圳市沃特沃德股份有限公司 | 扫地机器人及其进行区域划分的方法 |
CN110738133A (zh) * | 2019-09-23 | 2020-01-31 | 中科禾信遥感科技(苏州)有限公司 | 不同农业设施图像轮廓边界识别方法和装置 |
CN111768409A (zh) * | 2020-09-03 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN113108780A (zh) * | 2021-03-30 | 2021-07-13 | 沈奥 | 一种基于视觉惯导slam算法的无人船自主导航方法 |
CN114357553A (zh) * | 2021-12-31 | 2022-04-15 | 重庆宝图科技发展有限公司 | 一种基于移动端的不动产辅助绘图方法 |
CN114549569A (zh) * | 2022-03-01 | 2022-05-27 | 中国电建集团中南勘测设计研究院有限公司 | 一种基于二维正射影像的房屋轮廓提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1809689A (zh) * | 2003-06-19 | 2006-07-26 | 雅马哈发动机株式会社 | 四冲程发动机 |
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
CN104915672A (zh) * | 2014-03-13 | 2015-09-16 | 北京大学 | 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 |
-
2016
- 2016-02-25 CN CN201610105173.9A patent/CN105574521B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1809689A (zh) * | 2003-06-19 | 2006-07-26 | 雅马哈发动机株式会社 | 四冲程发动机 |
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
CN104915672A (zh) * | 2014-03-13 | 2015-09-16 | 北京大学 | 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096497B (zh) * | 2016-05-28 | 2019-08-06 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种针对多元遥感数据的房屋矢量化方法 |
CN106096497A (zh) * | 2016-05-28 | 2016-11-09 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 一种针对多元遥感数据的房屋矢量化方法 |
CN107564024A (zh) * | 2017-08-07 | 2018-01-09 | 西安电子科技大学 | 基于单侧聚集线段的sar图像聚集区域提取方法 |
CN107564024B (zh) * | 2017-08-07 | 2020-09-22 | 西安电子科技大学 | 基于单侧聚集线段的sar图像聚集区域提取方法 |
CN109724776A (zh) * | 2017-10-30 | 2019-05-07 | 中冶长天国际工程有限责任公司 | 一种烧结机台车的篦条损坏程度的确定方法及装置 |
CN109833003B (zh) * | 2017-11-30 | 2021-02-09 | 深圳市无限动力发展有限公司 | 扫地机器人及其进行区域划分的方法 |
CN109833003A (zh) * | 2017-11-30 | 2019-06-04 | 深圳市沃特沃德股份有限公司 | 扫地机器人及其进行区域划分的方法 |
CN108007383A (zh) * | 2017-12-01 | 2018-05-08 | 哈尔滨工业大学深圳研究生院 | 基于三角测距的房屋轮廓构建算法 |
CN108007383B (zh) * | 2017-12-01 | 2019-11-26 | 哈尔滨工业大学深圳研究生院 | 基于三角测距的房屋轮廓构建算法 |
CN109409176A (zh) * | 2018-01-04 | 2019-03-01 | 北京星衡科技有限公司 | 一种用于遥感影像的地块提取的方法与装置 |
CN109671116A (zh) * | 2018-09-26 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于图像识别的房产面积计算方法及相关设备 |
CN109447068A (zh) * | 2018-10-26 | 2019-03-08 | 信雅达系统工程股份有限公司 | 一种从图像中分离印章并校准印章的方法 |
CN110738133A (zh) * | 2019-09-23 | 2020-01-31 | 中科禾信遥感科技(苏州)有限公司 | 不同农业设施图像轮廓边界识别方法和装置 |
CN110738133B (zh) * | 2019-09-23 | 2023-10-27 | 中科禾信遥感科技(苏州)有限公司 | 不同农业设施图像轮廓边界识别方法和装置 |
CN111768409B (zh) * | 2020-09-03 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN111768409A (zh) * | 2020-09-03 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN113108780A (zh) * | 2021-03-30 | 2021-07-13 | 沈奥 | 一种基于视觉惯导slam算法的无人船自主导航方法 |
CN114357553A (zh) * | 2021-12-31 | 2022-04-15 | 重庆宝图科技发展有限公司 | 一种基于移动端的不动产辅助绘图方法 |
CN114357553B (zh) * | 2021-12-31 | 2023-12-15 | 重庆宝图科技发展有限公司 | 一种基于移动端的不动产辅助绘图方法 |
CN114549569A (zh) * | 2022-03-01 | 2022-05-27 | 中国电建集团中南勘测设计研究院有限公司 | 一种基于二维正射影像的房屋轮廓提取方法 |
CN114549569B (zh) * | 2022-03-01 | 2024-04-09 | 中国电建集团中南勘测设计研究院有限公司 | 一种基于二维正射影像的房屋轮廓提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105574521B (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574521A (zh) | 房屋轮廓提取方法和装置 | |
CN109029381B (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
CN104134209B (zh) | 一种视觉导航中的特征提取与匹配方法及系统 | |
US20160379053A1 (en) | Method and Apparatus for Identifying Object | |
CN104766078B (zh) | 目标图像的倾斜角检测方法及倾斜角检测设备 | |
CN109785307B (zh) | 一种基于矢量引导的无人机影像道路损毁评估方法 | |
CN103714541A (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
CN111178150B (zh) | 车道线检测方法、系统及存储介质 | |
CN109727279B (zh) | 一种矢量数据与遥感影像的自动配准方法 | |
CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
US11182942B2 (en) | Map generation system and method for generating an accurate building shadow | |
CN103984947A (zh) | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 | |
CN105184317A (zh) | 一种基于svm分类的车牌字符分割方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN109961065B (zh) | 一种海面舰船目标检测方法 | |
CN112580542A (zh) | 一种基于目标检测的钢筋计数方法 | |
CN104835142A (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
Tong et al. | Transmission line extraction and recognition from natural complex background | |
CN115984806B (zh) | 道路标线破损动态检测系统 | |
Chen et al. | Algorithm design of lane departure warning system based on image processing | |
CN108335321B (zh) | 基于多角度照片的地表砾石尺度信息自动提取方法 | |
CN109117757B (zh) | 一种提取航拍图像中拉索的方法 | |
CN114820485B (zh) | 一种基于机载图像测量波浪爬高的方法 | |
CN111241911A (zh) | 一种自适应的车道线检测方法 | |
CN102385702A (zh) | 去除路面图像中刻槽的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |